Содержание к диссертации
Введение
ГЛАВА 1 Техническое диагностирование и интеллектуальный анализ данных 12
1.1 Состояние и актуальные проблемы технического диагностирования устройств железнодорожной автоматики и телемеханики 12
1.2 Современные системы диагностирования технических устройств 17
1.3 Системы хранения и интеллектуального анализа данных 28
1.4 Выводы по главе 1 40
ГЛАВА 2 Теория и методология построения интеллектуальных систем анализа данных 41
2.1 Представление знаний в интеллектуальных системах 41
2.2 Методы интеллектуального анализа данных 52
2.3 Методы формирования рассуждений по неполным данным 62
2.4 Выводы по главе 2 71
ГЛАВА 3 Разработка моделей представления знаний, методов и алгоритмов анализа диагностических данных 72
3.1 Сетевая модель представления зависимостей 73
3.2 Метод и алгоритмы синтеза сетевых моделей зависимостей
3.2.1 Синтез модели зависимостей на основе критерия минимальной длины описания 80
3.2.2 Синтез модели зависимостей на основе логарифмической метрики 93
3.2.3 Анализ качества работы алгоритмов по обучающей выборке
3.3 Метод формирования нечетко-темпоральных описаний зависимостей 100
3.4 Метод нечетко-темпорального описания изменений параметров контролируемых устройств 105
3.5 Выводы по главе 3 115
ГЛАВА 4 Практическая реализация системы интеллектуального анализа диагностических данных 116
4.1 Структура базы данных и базы знаний 118
4.2 Подсистема анализа данных и формирования моделей зависимостей 121
4.3 Подсистема формирования нечетко-темпоральных описаний зависимостей и классификации сбоев устройств ЖАТ 125
4.4 Подсистема выявления фактов проведения работ по ТОиР 127
4.5 Программные средства автоматизации адаптации серверного ПО 131
4.6 Программные средства контроля рабочих параметров и формирования резервных копий баз данных 136
4.7 Программные средства автоматизации проектирования диагностических комплексов 138
4.8 Выводы по главе 4 142
Заключение 144
Список литературы 148
- Современные системы диагностирования технических устройств
- Методы интеллектуального анализа данных
- Синтез модели зависимостей на основе логарифмической метрики
- Подсистема формирования нечетко-темпоральных описаний зависимостей и классификации сбоев устройств ЖАТ
Введение к работе
доктор технических наук, профессор Бутакова М.А.
Актуальность работы. Стратегия развития железнодорожного транспорта, принятая ОАО «РЖД», предусматривает первоочередное решение ключевых задач, в числе которых обеспечение роста эффективности, устойчивости и безопасности перевозок, развитие новейших систем управления технологическими процессами на основе инновационных технологий, снижение негативного влияния «человеческого фактора» за счет внедрения современных информационных и компьютерных технологий. В этой связи приоритетным направлением работ является разработка и внедрение систем технического диагностирования и мониторинга (ТДМ) устройств железнодорожной автоматики и телемеханики (ЖАТ), которые позволят минимизировать время поступления информации об изменениях состояния устройств и возникших сбоях, повысить эффективность действий обслуживающего персонала, оптимизировать процесс выполнения работ по техническому обслуживанию и ремонту устройств ЖАТ и перейти к стратегии технического обслуживания «по фактическому состоянию».
В настоящее время широкое распространение получили такие системы ТДМ устройств ЖАТ, как АПК-ДК, АСДК и АДК-СЦБ. На основе этих систем на уровне железных дорог организуются Центры технического диагностирования и мониторинга (ЦТДМ), в которых аккумулируется и обрабатывается информация о текущем состоянии устройств ЖАТ. Значительный объем поступающей и накопленной информации, в сочетании с вышеперечисленными задачами, делает актуальной разработку интеллектуальных систем, включающих базу знаний, подсистемы анализа данных, поддержки принятия решений и взаимодействия с персоналом ЦТДМ. Подобные интеллектуальные системы позволят оптимизировать процесс технического обслуживания, повысить эффективность работы персонала ЦТДМ, и засчет этого снизить число возникающих сбоев устройств ЖАТ.
Степень разработанности проблемы. Постановке перечисленных в диссертации задач предшествовали многочисленные теоретические исследования, труды и практические разработки ученых и специалистов в России и за рубежом.
В области теории и практики разработки моделей, методов и алгоритмов, лежащих в основе диагностирования большой вклад внесли своими работами В.М. Глушков, И.Е. Дмитренко, В.Н. Иванченко, В.М. Лисенков, В.В. Сапожников, Вл.В. Сапожников. В области теории и практики создания современных технологий управления на железнодорожном транспорте, а также в области создания аппаратно-программных средств автоматизации процессов технического диагностирования большой вклад внесли своими работами В.М. Алексеев, А.В. Горелик, В.Б. Гуменников, И.Д. Долгий, Л.Т. Кузин, И.К. Лакин, Э.К. Лецкий, Е.Н. Розенберг, Е.М. Тарасов, А.Н. Шабельников, Д.В. Швалов и другие ученые.
Фундаментальный вклад в теорию и практику управления сложными динамическими объектами с использованием искусственного интеллекта, а также в разработку программных систем обработки информации на основе использования математических, информационных и имитационных моделей внесли А.Н. Аверкин, С.Е. Ададуров, В.И. Апатцев, А.П. Батурин, Л.С. Берштейн, М.А. Бутакова, А.Н. Гуда, А.П. Еремеев, Л. Заде, В.П. Карелин, Н.Н. Лябах, В.И. Колесников, В.М. Курейчик, С.М. Ковалев, Э.А. Мамаев, Е. Мамдани, Г.С. Осипов, В.Е. Павлов, Д.А. Поспелов, С.И. Родзин, Л.П. Тулупов, В.Ф. Хорошевский, А.В. Чернов и другие ученые.
Объектом исследования является система интеллектуального анализа данных для технического диагностирования и мониторинга устройств железнодорожной автоматики и телемеханики.
Предмет исследования – принципы построения, методы и алгоритмы синтеза моделей зависимостей между диагностическими состояниями устройств ЖАТ. Исследования выполнялись в рамках следующих пунктов паспорта специальности 05.13.06 – Автоматизация и управление технологическими процессами и производствами (на транспорте):
п. 9 – «Методы эффективной организации и ведения специализи-рованного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации»;
п. 15 – «Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).
Цель работы. Целью диссертации является исследование и разработка новых методов синтеза моделей зависимостей, как основы построения систем поддержки принятия решений для технического диагностирования и мониторинга устройств ЖАТ.
Основные задачи, определяемые целью исследования:
-
Разработка принципов построения моделей зависимостей между диагностическими состояниями устройств ЖАТ.
-
Разработка базовых интеллектуальных методов синтеза моделей на основе анализа данных диагностирования устройств ЖАТ.
-
Разработка интеллектуальных методов формирования и анализа нечетко-темпоральных описаний зависимостей, а также описаний изменения параметров устройств при смене диагностического состояния.
-
Разработка структуры программной реализации подсистем обработки данных и структуры базы знаний.
-
Разработка методики и программных средств автоматизации адаптации программного обеспечения системы интеллектуального анализа данных.
Решение поставленных задач позволит повысить эффективность применения программных средств СТДМ, засчет автоматизации и интеллектуализации процессов взаимодействия системы и персонала Центров технического диагностирования и мониторинга.
Методы исследования. Исследования проводились с использованием методов теории информации, теории кодирования, теории графов, теории вероятности, теории нечетких множеств и элементов темпоральной логики.
Научная новизна диссертационной работы заключается в следующем:
-
Предложен новый подход к представлению зависимостей между диагностическими состояниями устройств ЖАТ на основе сетевой модели с вероятностными и нечетко-темпоральными атрибутами для повышения эффективности организации и ведения базы знаний интеллектуальной системы.
-
Разработан комплексный метод ассоциативного анализа данных и построения сетевой модели зависимостей между событиями, разработаны алгоритмы построения модели на основе принципа минимальной длины описания и модифицированной логарифмической метрики модели.
-
Разработан метод нечетко-темпорального описания зависимостей между диагностическими состояниями устройств ЖАТ и алгоритм формирования НТО зависимости по диагностическим данным.
-
Разработан метод и алгоритмы формирования нечетко-темпорального описания изменения параметров контролируемого объекта на основе анализа протоколов измерений.
Практическая ценность работы заключается в применении результатов исследования для разработки системы интеллектуального анализа данных (ИАД) на базе системы технического диагностирования и мониторинга (ТДМ), для Центра технического диагностирования и мониторинга устройств ЖАТ на Северо-Кавказской железной дороге, а также для разработки систем автоматизации адаптации программного обеспечения и автоматизации проектирования диагностических комплексов. В частности, в работе достигнуты следующие практические результаты:
-
Разработано серверное программное обеспечение, реализующее методы и алгоритмы выявления зависимостей между диагностическими состояниями устройств ЖАТ, функциональность выявления фактов проведения работ по техническому обслуживанию и ремонту (ТОиР) устройств и передачи информации в систему АСУ-Ш-2.
-
Разработана клиентская часть программного обеспечения, реализующая взаимодействие системы ИАД с АРМ ШДМ (АРМ технолога ЦТДМ).
-
Разработана структура базы диагностических данных и базы знаний, содержащей модели выявленных зависимостей, на основе средств СУБД MS SQL Server.
-
Разработаны программные средства автоматизации адаптации (в части конфигураций и состава дистрибутива) программного обеспечения системы ИАД и сервера унифицированного информационного взаимодействия (СУИВ), автоматизации процесса проектирования диагностических комплексов (информационное обеспечение, проектная документация, схемы линий связи).
Практическое использование результатов исследования для построения системы интеллектуального анализа данных технического диагностирования устройств ЖАТ позволило автоматизировать: выявление зависимостей между диагностическими состояниями; контроль эффективности и своевременности выполнения работ по ТОиР устройств ЖАТ; процесс формирования информационного и адаптации программного обеспечения системы ИАД и СУИВ.
Достоверность и обоснованность. Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями и докладами на научно-практических конференциях, а также актами внедрения результатов работы.
Реализация результатов работы. Предложенные принципы и методы синтеза экспертных моделей, алгоритмы анализа диагностических данных и принципы представления знаний в системах технического диагностирования реализованы в программном комплексе интеллектуального анализа данных ИАД-ЦТДМ, разработанного для расширения функциональности системы ТДМ на уровне Центра технического диагностирования и мониторинга.
Апробация основных теоретических и практических результатов работы проводилась на совместном заседании кафедр «Автоматика и телемеханика на железнодорожном транспорте», «Информатика» и «Логистика и управление транспортными системами» РГУПС; Всеросс. научно-практ. конференции «Транспорт-2005», г. Ростов-на-Дону, 2005 г.; Международной школе-конференции по приоритетным направлениям развития науки и техники, г.Москва, 2006 г.; Всеросс. научно-практ. конференции «Транспорт-2006», г. Ростов-на-Дону, 2006 г.; VI Международной научно-практ. конференции «Телекомтранс-2008», г. Сочи, 2008 г.; Всеросс. научно-практ. конференции «Транспорт-2008», г. Ростов-на-Дону, 2008 г.; Международной научно-практ. конференции «Проблемы и перспективы развития транспортного комплекса: образование, наука», посвященной 80-летию РГУПС, г. Ростов-на-Дону, 2009 г.; Всеросс. научно-практ. конференции «Транспорт-2009», г. Ростов-на-Дону, 2009 г.; XI Международной научно-техн. конференции «Кибернетика и высокие технологии 21 века», г. Воронеж, 2010 г.; Всероссийской научно-практ. конференции «Транспорт-2010», г. Ростов-на-Дону, 2010 г.; VII Международной научно-практ. конференции «Телекомтранс-2010», г. Сочи, 2010 г.; Всеросс. научно-практ. конф. «Математические методы и интеллектуальные системы в экономике и образовании» г. Ижевск, 2010 г.; XI Всеросс. научно-техн. конф. «Научные исследования и разработки в области авиационных, космических и транспортных систем» г. Воронеж, 2010 г.; XIV Международной научно-практ. конф. «Актуальные проблемы информатики и информационных технологий» г. Тамбов, 2010 г.
Публикации. По теме диссертационной работы опубликовано 17 печатных работ, в том числе 4 работы опубликованы в изданиях, входящих в список ведущих рецензируемых научных журналов и изданий ВАК.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы составляет 171 страницу машинописного текста, 53 рисунка, 8 таблиц. Список литературы включает 131 наименование работ отечественных и зарубежных авторов.
Современные системы диагностирования технических устройств
Анализ ситуации множественных переводов стрелок требуется при диагностировании стрелочных электродвигателей (ЭД). Сложность вызвана тем, что напряжение и ток питания стрелочных ЭД снимаются с одного или двух шунтов на всю станцию, а значит, для формирования диагноза одной отдельно взятой стрелки приходится анализировать суммарный ток, потребляемым всеми ЭД стрелок станции (см. рис. 1.1) [65].
Разрыв или повреждение узлов РЦ диагностируется по результатам анализа изменений уровня и фазы напряжения на входе путевого приемника [91]. В данных изменениях проявляется также воздействие на РЦ различных помех, вызывающих опасные электродвижущие силы или токи вследствие гальванической связи или электрического и магнитного влияния. Кроме того, своевременный анализ напряжений РЦ может предупредить пробои изолирующих стыков, которые приводят к таким отказам как ложная свободность и ложная занятость РЦ.
Нарушение работы и отклонения показаний дешифраторной ячейки диагностируется по наличию помех, наложенных на кодовые посылки кодируемых рельсовых цепей. Помехи чаще всего связаны с обрывами межстыковых соединений, намагниченностью рельс и элементов стрелок, влиянием обратных тяговых токов на коротких стрелочных секциях, влиянием расположенных в непосредственной близости высоковольтных кабелей.
Помимо индивидуального диагностирования устройств есть задачи, требующие анализа состояния группы устройств. Пример такой задачи — выявление проведения работ по техническому обслуживанию и ремонту (ТОиР) устройств ЖАТ [57]. Одним из способов ее решения является анализ последовательности изменений диагностического состояния устройств станции на предмет выявления паттернов (однотипных последовательностей ситуаций на различных устройствах станции), соответствующих определенным видам работ по ТОиР [15].
Особо следует подчеркнуть, что ценность диагностики заключается, прежде всего в упреждающем выявлении состояний, предшествующих отказу устройства (т.н. предотказов), в своевременном предсказании возникновения отказа. После того, как произошел серьезный отказ, его обнаружение полезно только с точки зрения протоколирования и скорейшего устранения. Для исключения возможности несения материальных и временных потерь вследствие возникновения отказа следует строить систему диагностирования на принципе раннего, упреждающего обнаружения признаков неисправности устройства. Следовательно, становится актуальной задача применения в системе диагностирования современных методов интеллектуального анализа данных, наделение ее функциями экспертной системы.
Кроме требований к функциональным возможностям, к современным системам мониторинга предъявляются повышенные требования к защищенности от внешних воздействий (от механической защищенности и способности к работе в экстремальных условиях аппаратного обеспечения, до информационной защищенности и устойчивости к попыткам получения несанкционированного доступа программного обеспечения), к стабильности работы системы в целом при отказе одного из её модулей. Системы мониторинга и диагностики устройств железнодорожной автоматики и телемеханики являются распределенными (см. рис. 1.2) и должны обеспечивать персонал постов и центров диагностирования полной и достоверной информацией в режиме реального времени.
Еще одним критически важным требованием к системе диагностирования, отмеченным в [2, 56] является возможность всестороннего информационного взаимодействия параллельно функционирующих и взаимодополняющих систем между собой. Особо актуальной на сегодняшний день является возможность взаимодействия систем диагностирования устройств ЖАТ со следующими системами: - системой управления хозяйством службы. Ш (АСУ-Ш): подсистема контроля и планирования технологического обслуживания (КЗ КТО-ЖАТС); подсистемы учета отказов и выявления устранения отступления от норм содержания (КЗ УО-ЖАТС, КЗ УОНС-ЖАТС). - системами диспетчерской централизации (ДЦ-Юг КП «КРУГ», ДЦ-Юг с РКП, ДЦ Сетунь, ДЦ Диалог, ДЦ-МПК и др.); - микропроцессорными системами управления станциями (МПЦ Ebilock-950, РПЦ, ЭЦ-МПК, ГАЛС Р и др.); - системой управления сортировочными станциями (АСУ СС).
Взаимодействие с этими системами решает следующие основные задачи: - автоматизация контроля и диагностирования- состояния устройств ЖАТ на станциях и перегонах; - централизация данных для организации технического обслуживания средств ЖАТ в Дистанциях сигнализации и связи; - оптимизация программно-аппаратных средств систем в части подключения к дискретным и аналоговым сигналам устройств СЦБ; - развитие информационной среды и инфраструктуры диспетчерского контроля устройств и систем ЖАТ (удаленный мониторинг); - развитие технического и сервисного обслуживания на основе удаленного мониторинга результатов диагностирования в дистанциях и дорожных центрах; - внедрение малолюдных и ресурсосберегающих технологий, уменьшение эксплуатационных затрат на техническое обслуживание, основанных на автоматизации технического диагностирования и мониторинга средств ЖАТ.
Широкий набор требований безусловно ведет к усложнению архитектуры и функционирования системы диагностирования и мониторинга. При этом необходимо обеспечить наличие интуитивно понятного интерфейса пользователя автоматизированного рабочего места (ПО АРМ системы диагностирования), а также реализовать функции советующего помощника -эксперта, сводя к минимуму действия оператора, и оказывая ему поддержку
Методы интеллектуального анализа данных
Оценка паттернов. Цель данного этапа — выделение из множества найденных паттернов, пригодных для практического использования и формирования базы знаний. Для оценки паттернов создается набор метрик, соответствующий решаемой задаче и предметной области.
Представление полученных паттернов. Рациональная форма представления паттернов зависит от целевой задачи. Конечной формой могут быть база знаний, модель результатов, визуализация результатов в виде графиков, диаграмм и т.п.
На сегодняшний день ИАД нашел свое применение во многих областях науки и техники, в том числе и в диагностировании технических устройств и процессов. В процессе диагностирования можно выделить две основные составляющие: сбор информации и формирование экспертного заключения о состоянии диагностируемого объекта. С развитием технологий и усложнением диагностируемых объектов и систем, как к первой, так и ко второй составляющей предъявляются все более высокие требования по уровню оперативности, производительности, достоверности, качества и автоматизации.
Последнее требование подразумевает полную или частичную замену операторов и экспертов программно-аппаратными комплексами. Проблема автоматического сбора информации в большинстве прикладных областей технического диагностирования решена практически полностью, но такие проблемы, как формирование автоматического заключения о состоянии объектов диагностирования, и тем более оценка возможности деградации значений измеряемых параметров и возникновения на устройстве серьезных отказов, до сих пор остаются открытыми.
Основными причинами, ведущими к потребности в создании систем анализа данных, выявления паттернов и синтеза экспертных моделей зависимостей между диагностическими состояниями, систем поддержки принятия решений о необходимости проведения технического обслуживания и ремонта устройств, являются следующие: - наличие больших БД «сырой» диагностической информации, анализ которой силами эксперта является трудоёмким и не всегда эффективным в виду больших затрат времени и других ресурсов; - высокие темпы и объемы поступления новых данных в режиме реального времени, что требует улучшения реакции системы при обнаружении предпосылок возникновения неисправностей и аномалий, и поддержки принятия оперативных мер по устранению неисправностей; - необходимость оказания поддержки операторам при работе в критических по времени реагирования ситуациях, снижение количества (в идеале - полное исключение) ошибок интерпретации ситуаций.
Все вышеперечисленные признаки проявляются при централизации технического диагностирования устройств ЖАТ. На сегодняшний день в данной области диагностирования пока не применяются ни системы анализа данных, ни системы поддержки принятия решений. Как отмечено в разделе 1.2, такая ситуация характерна практически для всех компаний-разработчиков систем ТДМ, в этом направлении только начинают вестись исследования.
В целом ИАД применяется к задачам, где применение формализованной эвристики не предполагает полноты знаний и исходных данных. В ряде предметных областей диагностики, в том числе и на транспорте, возникают ситуации, когда выводы экспертов о состоянии объекта при одниих и тех же данных могут отличаться.
Важным положительным фактором внедрения ИАД в процесс технического диагностирования является возможность автоматизированного выявления некоторых закономерностей, не формализованных экспертами ранее. Скрытые в диагностических данных знания могут отражать детализирующие, либо ключевые моменты экспертной интерпретации и принести существенную пользу как при оценке текущего состояния объекта, так и при оценке перспектив (прогнозировании) его дальнейшего изменения. 1.4 Выводы по главе 1
1. Проведенный анализ состояния и актуальных проблем технического диагностирования устройств железнодорожной автоматики и телемеханики позволил выявить потребность в применении моделей и методов, обладающих низкой степенью ложных срабатываний и допускающих некритичное отклонение измеряемого параметра от заданных норм, а также важность для системы диагностирования таких параметров, как наличие распределенной структуры, свойство расширяемости и функций информационного взаимодействия со смежными системами.
2. Рассмотрение современных систем диагностирования технических устройств, применяемых на транспорте и в других областях, позволило выявить отставание систем диагностирования устройств ЖАТ от систем схожего назначения других отраслей по уровню интеллектуализации и реализации экспертных функций, а именно, выявить отсутствие функциональности формирования экспертных оценок состояния технических устройств, выявления скрытых закономерностей и тенденций с помощью методов интеллектуального анализа данных, прогнозирования . состояния контролируемых устройств.
3. Выполненный анализ состояния, проблем и принципов реализации современных систем хранения и анализа данных позволил сделать вывод об актуальности разработки новых моделей представления и методов анализа данных.
4. Доказана необходимость применения интеллектуальных методов анализа данных и экспертных систем в железнодорожной отрасли, что позволит устранить отставание в уровне автоматизации и повысит эффективность работы персонала центров диагностирования и мониторинга, а также обеспечит поддержку принятия решений при обработке внештатных диагностических состояний контролируемых объектов.
Синтез модели зависимостей на основе логарифмической метрики
С другой стороны, хотя структура сети логического вывода остается неизменной, вероятности, связанные с каждым узлом гипотезы, по мере получения свидетельств изменяются. Основной характерной особенностью сети логического вывода является то, что в них по мере накопления свидетельств происходит изменение вероятностей, как априорных, так и апостериорных. Указанное изменение вероятностей происходит в направлении к верхней (гипотетической) части сети, что позволяет в конечном итоге обосновать или опровергнуть проверяемую гипотезу.
Следует отметить, что для каждого отдельной области применения требуются свои модели логического вывода, коэффициенты достоверности и формулы нечеткой логики. Именно поэтому необходимо иметь возможность использовать не только знания экспертов, но и системы автоматизированного построения моделей на основе извлечения знаний о зависимостях в прикладной области из экспериментальных данных.
Еще одним важным методом формирования рассуждений в интеллектуальных системах при наличии неопределенности являются приближенные рассуждения, которые также называют мягкими (в противоположность строгой двузначной логике) вычислениями, основанные на нечеткой логике. Эта теория в основном посвящена проблемам оценки количества и формирования рассуждений с использованием естественного языка, в котором многие слова, такие как "много", "мало", "достаточно" и т.п., имеют неоднозначный смысл.
Нечеткая логика - это надмножество обычной (булевой) логики, которая была дополнена с учетом понятия частичной истинности - истинностных значений, лежащих между "полностью истинными" и "полностью ложными". Определение понятия нечеткой логики не следует воспринимать буквально, поскольку нечеткая логика - это не туманный, расплывчатый, неопределенный способ мышления. В действительности данный подход к формированию рассуждений является абсолютно противоположным неопределенному. Неопределенным становится то, что воспринимается как слишком сложное для полного понимания. Чем сложнее оказывается некоторое понятие, тем более неточным или "нечетким" оно становится. Нечеткая логика предоставляет точный подход к учету неопределенности, обусловленной сложностью человеческого поведения.
Понятие нечеткого множества было впервые сформулировано Заде и стало теоретической основой для нечетких компьютерных систем и аппаратных средств. Теория, сформулированная Заде, привела к появлению принципиально новых ветвей математики и инженерных наук. Вошел в использование термин мягкие вычисления, охватывающий нечеткую логику, нейронные сети и вероятностные рассуждения.
Обычное четкое множество представляет собой частный случай нечеткого множества с функцией принадлежности {0,1}. В пределе к четким множествам должны быть применимыми все определения, доказательства и теоремы нечетких множеств, после того как нечеткость приближается к нулю, и нечеткое множество становится четким. Таким образом, теория нечетких множеств имеет более широкий спектр приложений, и в частности, позволяет справляться с ситуациями, в которых должны учитываться субъективные мнения. Основной замысел, лежащий в основе теории нечетких множеств, состоит в возможности определять нечеткие концепции реального мира, не требуя определения жесткой бинарной границы.
Традиционный способ представления информации о том, какие объекты являются элементами множества, состоит в использовании характеристической функции, иногда называемой различительной функцией. Если некоторый объект является элементом множества, то его характеристическая функция равна 1, а если объект не является элементом множества, то - 0: l, если х — элемент множества А; 0, если х не является элементом множества А В этом определении выражается классическое понятие множества, согласно которому некоторый объект либо принадлежит, либо не принадлежит к множеству. Множества, к которым применяется это понятие, называются четкими, в отличие от нечетких множеств. Указанный подход исходит из аристотелевских представлений о двухзначной логике, в которой возможны только истинные и ложные значения.
В отличие от классической логики, в которой предпринимаются попытки классифицировать всю информацию с помощью бинарных шаблонов, таких как в нечеткой логике уделяется внимание "исключенному третьему" и предпринимается попытка учесть наличие ситуаций, в которых приходится сталкиваться с частично истинными и частично ложными утверждениями, лежащими в основе большей части рассуждений человека в реальной жизни.
Основной недостаток двухзначной логики обусловлен тем, что люди живут в непрерывном, а не в дискретном мире. В реальной действительности любые предметы обычно не находятся лишь в одном определенном состоянии.
Особенностью нечетких множеств является то, что любой объект может принадлежать к множеству лишь частично. Степень принадлежности к нечеткому множеству измеряется с помощью функции принадлежности, или функции совместимости, которая определяется следующим образом: МА{х) : Х-»[0,1]
Это определение схоже с определением характеристической функции, но фактически значительно от него отличается. Характеристическая функция отображает все элементы универсума X на один из элементов множества. В отличие от этого функция принадлежности отображает универсум X на область значений вещественных чисел, определенную в интервале от 0 до 1 включительно. Таким образом, функция принадлежности представляет собой вещественное число, и в случае равенства 0 свидетельствует о непринадлежности к множеству, при 1 же обозначает полную принадлежность к множеству. Конкретное значение функции принадлежности, например 0.5, называют степенью принадлежности.
Подсистема формирования нечетко-темпоральных описаний зависимостей и классификации сбоев устройств ЖАТ
Одной из важных задач программного обеспечения центральных постов диагностирования и мониторинга является задача выявления устойчивых последовательностей смен диагностических состояний контролируемых объектов с целью их классификации силами экспертов, определения необходимых действий по реагированию на ситуацию и дальнейшего выполнения этих действий в автоматическом режиме.
Например, определенные последовательности смен диагностических состояний свидетельствуют о выполнении работ по техническому обслуживанию устройств автоматики и телемеханики. При их обнаружении вычисляется достоверность соответствия произошедших смен состояния шаблонной последовательности, и при достаточном ее значении такие ситуации помечаются, как работы ТОиР, и не учитываются при дальнейшем разборе. Более подробно подсистема выявления работ ТОиР рассмотрена в разделе 4.4.
Для решения задачи выявления и описания последовательностей была разработана и включена в состав системы ИАД подсистема формирования нечетко-темпоральных описаний смен диагностических состояний. Подсистема состоит из двух основных компонентов: службы оперативного анализа диагностических данных и службы анализа данных диагностических протоколов, помещенных в хранилище.
Служба оперативного анализа данных функционирует в режиме реального времени и рассчитана на обработку кратковременных последовательностей смен состояния.
Служба анализа диагностических протоколов предназначена для выявления среднесрочных и долгосрочных (в зависимости от конфигурации) последовательностей смен состояния.
Выявленные паттерны пополняют базу знаний системы ИАД, и применяются как в качестве источника уточняющей информации для подсистемы выявления зависимостей, так и в качестве исходных данных для подробного анализа результатов диагностирования объектов станций, выполняемого оперативным персоналом постов диагностирования и мониторинга [23].
Анализ срабатывания устройств при движении поезда и действий оперативного персонала отличается от диагностирования отдельного устройства тем, что, как правило, принятие решения о классификации необходимо для каждого события удовлетворяющего некоторым условиям, а не для последовательности событий в целом. Например, при проявлении сбоя устройства требуется решить является ли этот сбой результатом проведения ТО или нет. Кроме того, необходимо анализировать не набор параметров устройства, а проявления событий определенного класса. Решить подобную задачу, актуальную при взаимодействии с автоматизированной системой управления хозяйством сигнализации, централизации и блокировки (АСУ-Ш-2), можно с помощью подсистемы интеллектуального анализа, построенной на базе хранилища архива диагностических состояний.
Взаимодействие систем СТДМ и АСУ-Ш-2 позволяет успешно решать задачи повышения эффективности функционирования хозяйства СЦБ за счет автоматизации процесса диагностирования и мониторинга технического состояния устройств ЖАТ, работ по техническому обслуживанию и ремонту (ТОиР), обеспечения полноты и достоверности оперативной информации. Со стороны СТДМ в АСУ-Ш-2 передаются данные о выявленных сбоях в работе устройств ЖАТ и фактах проведения ТОиР, от АСУ-Ш-2 в СТДМ поступают данные для проведения анализа, например, план технического обслуживания, информация о характеристиках устройств и т.д. Таким образом, взаимодействие СТДМ и АСУ-Ш-2 обеспечивает возможность принятия персоналом ЦТДМ управляющих решений и контроль их выполнения.
Анализ последовательности событий для выявления фактов проведения работ по ТОиР выполняется в соответствии со следующим принципом: поскольку в большинстве случаев выполнение ТОиР диагностируется как сбой устройства, то для определения факта проведения ТОиР в качестве событий рассматриваются сбои устройств ЖАТ.
Алгоритм отнесения сбоя к ТОиР основан на использовании НТО зависимостей, рассмотренного в п.3.3. Для каждого вида работ по ТОиР, проявляющегося как сбой устройства, определяется последовательность правил (НТО зависимостей), из этих последовательностей формируется таблица в базе знаний интеллектуальной системы, и при диагностировании сбоя устройства выполняется проверка соответствия сбоя последовательности, которую можно описать следующим образом:
1. пусть выявлен сбой, совпадающий с первым элементом последовательности НТО, и на соответствующем устройстве запланировано выполнение ТОиР - тогда вносим запись об этом сбое во временную таблицу последних изменений состояния устройств;
2. если после данного сбоя в течение некоторого периода времени, нечеткая оценка которого совпадает со значением в целевой последовательности, происходит сбой на другом устройстве такого же типа - фиксируем предыдущую запись во временной таблице, добавляем запись о новом сбое и ожидаем следующего сбоя;
3. после третьего сбоя, соответствующего очередному элементу целевой последовательности, все предыдущие и данный сбой отмечаются как выполнение работ по ТОиР, из временной таблицы удаляются все записи, относящиеся к текущей ситуации, кроме последней;
4. все последующие аналогичные сбои, возникшие в течение заданного времени и соответствующие последнему элементу последовательности, считаются выполнением ТОиР.
Таким образом, последний пункт проверки соответствия обеспечивает возможность задания цикличного условия, что позволяет сократить последовательности НТО, и в то же время не задавать жестких ограничений на количество анализируемых событий и количество устройств, по которым проводится выявление технического обслуживания.
Вывод о совпадении сбоя с элементом последовательности НТО делается на основании сравнения значения достоверности, вычисляемого как нечеткая
129 конъюнкция значений функций принадлежности при подстановке в них параметров текущего сбоя, с заданным пороговым значением.
Комплексный анализ последовательностей сбоев устройств в соответствии с вышеописанным алгоритмом производится на уровне центрального поста диагностирования и мониторинга.
В качестве базового программного обеспечения, позволяющего хранить знания и данные, а также позволяющего производить логический вывод, выбрана СУБД Microsoft SQL Server 2005. Знания представляются таблицами правил и их последовательностей (табл. 4.1).
